python垃圾郵件過濾

① python中演算法是干什麼用的

可以做分類。通常是做文本分類。 在此基礎上做郵件的垃圾郵件過濾。還有自動識別效果也不錯。
這是一個常見的演算法。而且用處挺多的。 在語言分析里常用。比如：我有一組文件，想自動分成不同的類別。 再比如我有一個文章，圓搏態想根據內容，自動分鍛落。再比如有很多新聞，可以自動按行業進行分類。
這個演算法銀喊有自學習，也就是機器學習的擴展。所以可以讓演算法自動升級精度。開始50-70%，後來可以橘源達到90%的分類精度。

② 機器學習有哪些演算法

樸素貝葉斯分類器演算法是最受歡迎的學習方法之一，按照相似性分類，用流行的貝葉斯概率定理來建立機器學習模型，特別是用於疾病預測和文檔分類。 它是基於貝葉斯概率定理的單詞的內容的主觀分析的簡單分類。

什麼時候使用機器學習演算法 - 樸素貝葉斯分類器？

（1）如果您有一個中等或大的訓練數據集。

（2）如果實例具有幾個屬性。

（3）給定分類參數，描述實例的屬性應該是條件獨立的。

A．樸素貝葉斯分類器的應用

（1）這些機器學習演算法有助於在不確定性下作出決策，並幫助您改善溝通，因為他們提供了決策情況的可視化表示。

（2）決策樹機器學習演算法幫助數據科學家捕獲這樣的想法：如果採取了不同的決策，那麼情境或模型的操作性質將如何劇烈變化。

（3）決策樹演算法通過允許數據科學家遍歷前向和後向計算路徑來幫助做出最佳決策。

C．何時使用決策樹機器學習演算法

（1）決策樹對錯誤是魯棒的，並且如果訓練數據包含錯誤，則決策樹演算法將最適合於解決這樣的問題。

（2）決策樹最適合於實例由屬性值對表示的問題。

（3）如果訓練數據具有缺失值，則可以使用決策樹，因為它們可以通過查看其他列中的數據來很好地處理丟失的值。

（4）當目標函數具有離散輸出值時，決策樹是最適合的。

D.決策樹的優點

（1）決策樹是非常本能的，可以向任何人輕松解釋。來自非技術背景的人，也可以解釋從決策樹繪制的假設，因為他們是不言自明的。

（2）當使用決策樹機器學習演算法時，數據類型不是約束，因為它們可以處理分類和數值變數。

（3）決策樹機器學習演算法不需要對數據中的線性進行任何假設，因此可以在參數非線性相關的情況下使用。這些機器學習演算法不對分類器結構和空間分布做出任何假設。

（4）這些演算法在數據探索中是有用的。決策樹隱式執行特徵選擇，這在預測分析中非常重要。當決策樹適合於訓練數據集時，在其上分割決策樹的頂部的節點被認為是給定數據集內的重要變數，並且默認情況下完成特徵選擇。

（5）決策樹有助於節省數據准備時間，因為它們對缺失值和異常值不敏感。缺少值不會阻止您拆分構建決策樹的數據。離群值也不會影響決策樹，因為基於分裂范圍內的一些樣本而不是准確的絕對值發生數據分裂。

E.決策樹的缺點

（1）樹中決策的數量越多，任何預期結果的准確性越小。

（2）決策樹機器學習演算法的主要缺點是結果可能基於預期。當實時做出決策時，收益和產生的結果可能與預期或計劃不同。有機會，這可能導致不現實的決策樹導致錯誤的決策。任何不合理的期望可能導致決策樹分析中的重大錯誤和缺陷，因為並不總是可能計劃從決策可能產生的所有可能性。

（3）決策樹不適合連續變數，並導致不穩定性和分類高原。

（4）與其他決策模型相比，決策樹很容易使用，但是創建包含幾個分支的大決策樹是一個復雜和耗時的任務。

（5）決策樹機器學習演算法一次只考慮一個屬性，並且可能不是最適合於決策空間中的實際數據。

（6）具有多個分支的大尺寸決策樹是不可理解的，並且造成若干呈現困難。

F.決策樹機器學習演算法的應用

（1）決策樹是流行的機器學習演算法之一，它在財務中對期權定價有很大的用處。

（2）遙感是基於決策樹的模式識別的應用領域。

（3）銀行使用決策樹演算法按貸款申請人違約付款的概率對其進行分類。

（4）Gerber產品公司，一個流行的嬰兒產品公司，使用決策樹機器學習演算法來決定他們是否應繼續使用塑料PVC（聚氯乙烯）在他們的產品。

（5）Rush大學醫學中心開發了一個名為Guardian的工具，它使用決策樹機器學習演算法來識別有風險的患者和疾病趨勢。

Python語言中的數據科學庫實現決策樹機器學習演算法是 - SciPy和Sci-Kit學習。

R語言中的數據科學庫實現決策樹機器學習演算法是插入符號。

3.7 隨機森林機器學習演算法

讓我們繼續我們在決策樹中使用的同樣的例子，來解釋隨機森林機器學習演算法如何工作。提利昂是您的餐廳偏好的決策樹。然而，提利昂作為一個人並不總是准確地推廣你的餐廳偏好。要獲得更准確的餐廳推薦，你問一對夫婦的朋友，並決定訪問餐廳R，如果大多數人說你會喜歡它。而不是只是問Tyrion，你想問問Jon Snow，Sandor，Bronn和Bran誰投票決定你是否喜歡餐廳R或不。這意味著您已經構建了決策樹的合奏分類器 - 也稱為森林。

你不想讓所有的朋友給你相同的答案 - 所以你提供每個朋友略有不同的數據。你也不確定你的餐廳偏好，是在一個困境。你告訴提利昂你喜歡開頂屋頂餐廳，但也許，只是因為它是在夏天，當你訪問的餐廳，你可能已經喜歡它。在寒冷的冬天，你可能不是餐廳的粉絲。因此，所有的朋友不應該利用你喜歡打開的屋頂餐廳的數據點，以提出他們的建議您的餐廳偏好。

通過為您的朋友提供略微不同的餐廳偏好數據，您可以讓您的朋友在不同時間向您詢問不同的問題。在這種情況下，只是稍微改變你的餐廳偏好，你是注入隨機性在模型級別（不同於決策樹情況下的數據級別的隨機性）。您的朋友群現在形成了您的餐廳偏好的隨機森林。

隨機森林是一種機器學習演算法，它使用裝袋方法來創建一堆隨機數據子集的決策樹。模型在數據集的隨機樣本上進行多次訓練，以從隨機森林演算法中獲得良好的預測性能。在該整體學習方法中，將隨機森林中所有決策樹的輸出結合起來進行最終預測。隨機森林演算法的最終預測通過輪詢每個決策樹的結果或者僅僅通過使用在決策樹中出現最多次的預測來導出。

例如，在上面的例子 - 如果5個朋友決定你會喜歡餐廳R，但只有2個朋友決定你不會喜歡的餐廳，然後最後的預測是，你會喜歡餐廳R多數總是勝利。

A.為什麼使用隨機森林機器學習演算法？

（1）有很多好的開源，在Python和R中可用的演算法的自由實現。

（2）它在缺少數據時保持准確性，並且還能抵抗異常值。

（3）簡單的使用作為基本的隨機森林演算法可以實現只用幾行代碼。

（4）隨機森林機器學習演算法幫助數據科學家節省數據准備時間，因為它們不需要任何輸入准備，並且能夠處理數字，二進制和分類特徵，而無需縮放，變換或修改。

（5）隱式特徵選擇，因為它給出了什麼變數在分類中是重要的估計。

B.使用隨機森林機器學習演算法的優點

（1）與決策樹機器學習演算法不同，過擬合對隨機森林不是一個問題。沒有必要修剪隨機森林。

（2）這些演算法很快，但不是在所有情況下。隨機森林演算法當在具有100個變數的數據集的800MHz機器上運行時，並且50,000個案例在11分鍾內產生100個決策樹。

（3）隨機森林是用於各種分類和回歸任務的最有效和通用的機器學習演算法之一，因為它們對雜訊更加魯棒。

（4）很難建立一個壞的隨機森林。在隨機森林機器學習演算法的實現中，容易確定使用哪些參數，因為它們對用於運行演算法的參數不敏感。一個人可以輕松地建立一個體面的模型沒有太多的調整

（5）隨機森林機器學習演算法可以並行生長。

（6）此演算法在大型資料庫上高效運行。

（7）具有較高的分類精度。

C.使用隨機森林機器學習演算法的缺點

他們可能很容易使用，但從理論上分析它們是很困難的。

隨機森林中大量的決策樹可以減慢演算法進行實時預測。

如果數據由具有不同級別數量的分類變數組成，則演算法會偏好具有更多級別的那些屬性。 在這種情況下，可變重要性分數似乎不可靠。

當使用RandomForest演算法進行回歸任務時，它不會超出訓練數據中響應值的范圍。

D.隨機森林機器學習演算法的應用

（1）隨機森林演算法被銀行用來預測貸款申請人是否可能是高風險。

（2）它們用於汽車工業中以預測機械部件的故障或故障。

（3）這些演算法用於醫療保健行業以預測患者是否可能發展成慢性疾病。

（4）它們還可用於回歸任務，如預測社交媒體份額和績效分數的平均數。

（5）最近，該演算法也已經被用於預測語音識別軟體中的模式並對圖像和文本進行分類。

Python語言中的數據科學庫實現隨機森林機器學習演算法是Sci-Kit學習。

R語言的數據科學庫實現隨機森林機器學習演算法randomForest。

③ python常用序列結構

序列是python的基本數據結構，序列中的每個元素被分配一個序號即索引，索引從0開始。

序列的兩種常用類型：列表和元組。

列表與元組的區別：列表可修改，元組不能修改。

通用序列操作

1、索引：索引0指向第一個元素，索引-1指向最後一個元素。

2、程序：輸入年，月(1-12)，日(1-31)，然後列印出相應的日期的月份名稱。

代碼詳解：months=[]：定義一個晌鄭months序列。

endings=['st','nd','rd']+17*['th']\

+['st','nd','rd']+7*['th'坦謹畢]\

+['st']：定義一個endings序列，用來表示1-31的英文縮寫，1st，2nd，3rd，4-20th，21st，22nd，23rd，24-30th，31st。

代碼運行輸出結果：

3、分片：提取序列中的某個范圍內的元素。

分片tag[9:30]：第一個索引號9是包含在分片內的，第二個索引號30則不包含在分片內。

4、如果要去序列中最後一個最後一個元素怎麼辦？

可以通過置空，最後一個一個索引來獲取最後的元素。可以通過置空最前的索引來獲取第一個元素。可以兩邊都置空來獲取整個元素。

5、步長：

正數步長：從序列的頭部開始向右提取元素，直到最後一個元素。

負數步長：從序列的尾部開始向左提取元素，直到第一個元素。

6、序列運算

序列相加：對序列進行連接操作，列表與字元串是無法連接在一起的。

序列相乘：數字x乘以一個序列會生成新的序列，即原來的序列被重復x次。

None，空列表和初始化：初始化一個長度為10的列表。

代碼分析：在屏幕上列印一讓芹個由字元組成的盒子，這個盒子在屏幕上居中，而且根據用戶輸入的句子自動調整大小。

成員資格：in運算符，輸入布爾運算符，當條件為真時返回true，為假則返回false。

以上代碼在UNIX系統中，可以檢查文件可寫和可執行許可權的腳本。

以上代碼可以檢查輸入的用戶名是否存在於用戶列表中。

以上代碼可以作為過濾垃圾郵件的一部分。

代碼分析：查看用戶輸入的用戶名，密碼是否存在於資料庫中，如果存在則列印'Access granted'

程序運行結果：

內建函數：len：返回序列中包含元素的數量，min：返回序列中最小的元素，max：返回序列中最大的元素。

④ 使用python 發送郵件，為什麼會被認為垃圾郵件

我在 csdn 和 cnblog 找到關於 python 發送郵件的例子,代碼如下。但在執桐空茄行時卻返回 554 DT.SPM 的錯誤，上網找原因是對方伺服器認為是垃圾郵件而拒收了。還有，關於代碼中 msg['To']=';'.join(to_list) 是什麼意思？我該如局察何理解這行代碼？
#!/usr/bin/python
import smtplib
from email.mime.text import MIMEText

mailto_list="[email protected]"

mail_host="smtp.163.com"
mail_user="xxx"
mail_pass="xxx"
mail_postfix="163.com"

def send_mail(to_list, sub, content):
me="Ryan Mok"+"<"+mail_user+"@"+mail_postfix+">"
msg=MIMEText(content, _subtype='plain'虧老,_charset='gb2312')
msg['Subject']=sub
msg['From']=me
msg['To']=';'.join(to_list)
try:
server=smtplib.SMTP()
server.connect(mail_host)
server.login(mail_user,mail_pass)
server.sendmail(me,to_list,msg.as_string())
server.close()
return True
except Exception, e:
print str(e)
return False

if __name__ == '__main__':
if send_mail(mailto_list,"This is test mail","This is a test email send from python."):
print "Send succeed!\n"
else:
print "Send failed!\n"